【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于深度学习的混凝土缺陷检测方法及系统。
技术介绍
1、随着大量的基础设施建设，混凝土被广泛应用于公路、桥梁、隧道、大坝及房建等各个领域。然而，混凝土结构由于材料特性、施工质量、环境因素等多种原因，不可避免地会出现混凝土缺陷等缺陷。这些混凝土缺陷不仅影响混凝土结构的外观和耐久性，还可能严重威胁其结构安全和使用寿命。因此，对混凝土缺陷进行及时、准确的识别与追踪，对于保障基础设施的安全运行具有重要意义。
2、传统的混凝土缺陷检测方法主要包括目视检测法、超声波探伤法、钢针探伤法、渗透剂法以及红外热成像法等。这些方法各有优缺点，但普遍存在检测效率低、主观性强、精度不足等问题。计算机视觉和深度学习技术的飞速发展，基于图像和视频处理的混凝土缺陷检测方法逐渐成为研究热点。深度学习网络，特别是卷积神经网络，以其强大的特征提取和模式识别能力，在图像分割和目标检测等领域取得了显著成果。然而，现有的深度学习网络技术在混凝土缺陷检测方面仍存在一些挑战。例如，yolo系列网络虽然具有实时性和准确性，但在复杂背景下...
【技术保护点】
1.一种基于深度学习的混凝土缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的混凝土缺陷检测方法，其特征在于，所述预处理具体包括：
3.根据权利要求1所述的基于深度学习的混凝土缺陷检测方法，其特征在于，所述联合神经网络模型包括改进的YOLOv9目标检测模块和改进的SAM2分割追踪模块；所述改进的YOLOv9目标检测模块用于实时检测视频帧中的混凝土缺陷，输出缺陷类别、位置及检测框；所述改进的SAM2分割追踪模块基于改进的YOLOv9目标检测模块输出的检测框，对缺陷进行像素级分割，并通过跨帧特征匹配实现缺陷的持续追踪。
4.根...
【技术特征摘要】
1.一种基于深度学习的混凝土缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的混凝土缺陷检测方法，其特征在于，所述预处理具体包括：
3.根据权利要求1所述的基于深度学习的混凝土缺陷检测方法，其特征在于，所述联合神经网络模型包括改进的yolov9目标检测模块和改进的sam2分割追踪模块；所述改进的yolov9目标检测模块用于实时检测视频帧中的混凝土缺陷，输出缺陷类别、位置及检测框；所述改进的sam2分割追踪模块基于改进的yolov9目标检测模块输出的检测框，对缺陷进行像素级分割，并通过跨帧特征匹配实现缺陷的持续追踪。
4.根据权利要求3所述的基于深度学习的混凝土缺陷检测方法，其特征在于，所述改进的yolov9目标检测模块的改进过程具体包括...
【专利技术属性】
技术研发人员：段大猷，何亮，王佐才，高峰，
申请(专利权)人：安徽省建筑设计研究总院股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。